Fugu-MT 論文翻訳(概要): Edge-aware Decoding for Neural Asymmetric Routing

論文の概要: Edge-aware Decoding for Neural Asymmetric Routing

arxiv url: http://arxiv.org/abs/2606.02136v1
Date: Mon, 01 Jun 2026 12:03:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:31.97914
Title: Edge-aware Decoding for Neural Asymmetric Routing
Title（参考訳）: ニューラルネットワークによる非対称ルーティングのためのエッジ認識デコーディング
Authors: Li Liang, Jinbiao Chen, Zizhen Zhang,
Abstract要約: ニューラル非対称ルーティングのためのデコーダ設計原理を提案する。最終スコアは、問題のコスト・ツー・ゴー構造によって示唆される遷移レベルの量を明確に示すべきである。我々は、この原理を、現在の有向エッジに対して候補固有の用語を追加するエッジ対応デコーダでインスタンス化する。
参考スコア（独自算出の注目度）: 11.712945127862204
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural asymmetric routing models increasingly encode directionality through matrix representations and asymmetry-aware attention. The final routing action, however, is not a node in isolation but a directed transition chosen under the current partial route. This creates a representation--decision mismatch: pairwise cost information may be encoded upstream while the final candidate logit is still largely parameterized as context--node compatibility. We propose a decoder-design principle for neural asymmetric routing: the final score should explicitly expose transition-level quantities suggested by the problem's cost-to-go structure. We instantiate this principle with an edge-aware decoder that adds candidate-specific terms for the current directed edge, return-to-start closure, and static lightweight lookahead, while keeping the representation backbone fixed. On a controlled SVD/Sinkhorn asymmetric backbone, the decoder improves over the RADAR reference when trained on ATSP-100 and evaluated zero-shot on ATSP-100/200/500/1000, reducing the ATSP-1000 gap from $4.13\%$ to $2.73\%$. On ACVRP, the same score-level modification shows the same qualitative trend under a richer routing state. ATSP ablations and directed-transition diagnostics sharpen the mechanism: the strongest evidence concerns sensitivity to the current directed edge, while closure and static lookahead act as heuristic continuation cues. The results support a mechanism study: a key decoder-side signal in neural asymmetric routing is decision-time exposure of transition-level edge information.
Abstract（参考訳）: ニューラル非対称ルーティングモデルは、行列表現と非対称性対応の注意を通して、方向をエンコードする。しかし、最終的なルーティングアクションは、孤立したノードではなく、現在の部分ルートの下で選択された有向遷移である。これは表現-決定ミスマッチを生成する: ペアのコスト情報は上流でエンコードされるが、最終的な候補ロジットは依然としてコンテキスト-ノードの互換性としてパラメータ化されている。本稿では,ニューラルネットワークの非対称なルーティングのためのデコーダ設計原理を提案する。我々は、この原理をエッジ対応デコーダでインスタンス化し、現在の有向エッジ、リターン・トゥ・スタートクロージャ、静的軽量なルックアヘッドの候補固有項を追加し、表現のバックボーンを固定する。制御されたSVD/シンクホーンの非対称バックボーンでは、デコーダはATSP-100でトレーニングされた時にRADAR参照を改良し、ATSP-100/200/500/1000でゼロショットを評価し、ATSP-1000のギャップを4.13\%から2.73\%に下げる。 ACVRPでは、同じスコアレベルの修正は、よりリッチなルーティング状態の下で同じ定性的傾向を示す。強い証拠は、現在の指向エッジに対する感度を懸念し、クロージャと静的なルックアヘッドは、ヒューリスティックな継続手段として機能する。ニューラル非対称ルーティングにおけるキーデコーダ側信号は、遷移レベルエッジ情報の決定時間露光である。

関連論文リスト

OSDN: Improving Delta Rule with Provable Online Preconditioning in Linear Attention [12.93065958346192]
Online Scaled DeltaNetは、JRTスタイルのインコンテキストリコールをDeltaNetよりも32%改善した。 1.3Bパラメータにスケーリングすると、リコール残差比が39%減少する。
論文参考訳（メタデータ） (2026-05-13T12:59:26Z)
How Alignment Routes: Localizing, Scaling, and Controlling Policy Circuits in Language Models [0.0]
本稿では,アライメント学習言語モデルにおけるポリシールーティング機構のローカライズを行う。中間層アテンションゲートは検出された内容を読み出し、深いヘッドをトリガーし、信号が拒絶に向かって押し上げられる。
論文参考訳（メタデータ） (2026-04-06T03:20:37Z)
Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking [0.0]
監視を回避するためのプライベートプロトコルを開発するエージェントによるステガノグラフィーの共謀は、AIの安全性に重大な脅威をもたらす。既存の防御は行動層や報酬層に限られており、潜伏する通信路での調整を検知できない。本稿では,動的表現回路ブレーカ(DRCB)について紹介する。
論文参考訳（メタデータ） (2026-03-07T04:14:38Z)
Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文参考訳（メタデータ） (2026-02-09T22:48:30Z)
Deep Delta Learning [91.75868893250662]
本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
論文参考訳（メタデータ） (2026-01-01T18:11:38Z)
Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
論文参考訳（メタデータ） (2025-12-11T12:20:31Z)
Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
論文参考訳（メタデータ） (2025-12-01T17:04:17Z)
What Layers When: Learning to Skip Compute in LLMs with Residual Gates [66.23658560048241]
GateSkipは、デコーダのみのLMにおけるトークンワイド層スキップを可能にする残差ストリームゲーティング機構である。各Attention/MLPブランチは、残ストリームに再入力する前に、ブランチの出力を凝縮するシグモイドリニアゲートを備えている。
論文参考訳（メタデータ） (2025-10-13T16:31:50Z)
REAR: Rethinking Visual Autoregressive Models via Generator-Tokenizer Consistency Regularization [130.46612643194973]
reARはトークン単位の正規化目標を導入する単純なトレーニング戦略です。 ImageNetでは、gFIDを3.02から1.86に削減し、標準化ベースのトークンーザを使用してISを316.9に改善している。高度なトークン化器に適用すると、177Mパラメータしか持たない1.42のgFIDが達成され、その性能はより大きな最先端拡散モデル(675M)と一致する。
論文参考訳（メタデータ） (2025-10-06T02:48:13Z)
Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
論文参考訳（メタデータ） (2020-05-16T21:17:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。